Maaari ko bang patakbuhin nang lokal ang Mistral Small 3.2 24B?

Oo, bukas ang weights at available sa Hugging Face sa mistralai/Mistral-Small-3.2-24B-Instruct-2506. Inirerekomenda ng Mistral ang vLLM (bersyon 0.9.1 pataas) bilang preferred na local serving framework, ngunit gumagana rin ang standard Transformers.

Magkano ang gastos at gaano kahaba ang konteksto?

Sa API, ang presyo ay $0.09 kada milyon input tokens at $0.25 kada milyon output tokens, na may 256,000-token na context window.

Ano ang mga pagbabago mula 3.1 hanggang 3.2?

Pinatibay ng update na 3.2 ang pagsunod sa instruksyon, pinatatag ang function-calling template, at binawasan ng halos kalahati ang rate ng walang katapusang o paulit-ulit na generation. May bahagyang pagbuti sa STEM at coding benchmarks; halos hindi nagbago ang vision performance.

Mistral Small 3.2 24B

1239°

#llm #mistralai #paningin #pag-coding #mahabang konteksto #mga ahente

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Mistral | 256,000 token context | $0.09/M input, $0.25/M output. Ang Mistral-Small-3.2-24B-Instruct-2506 ay isang updated na 24B parameter model mula sa Mistral na optimized para sa pagsunod sa instruksyon, pagbawas ng pag-uulit, at pinahusay na function calling. Kumpara sa 3.1 release, ang bersyon 3.2 ay malaki ang pagbuti sa katumpakan sa WildBench at Arena Hard, nagpapababa ng infinite generations, at naghahatid ng pag-unlad sa tool use at structured output tasks. Sinusuportahan nito ang image at text inputs na may structured outputs, function/tool calling, at malakas na performance sa coding (HumanEval+, MBPP), STEM (MMLU, MATH, GPQA), at vision benchmarks (ChartQA, DocVQA).

Mga gabay para sa model na ito

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Mistral Small 3.2 24B ay isang open-weights na modelo na may 24 bilyong parameter mula sa Mistral AI na may 256,000-token na context window at native na suporta sa vision. Ang bersyon 3.2 ay isang pinong pagbuti mula sa 3.1: mas matalas ang pagsunod sa instruksyon, mas maaasahan ang function calling, at ang tendensiya sa walang katapusang pag-uulit ay halos nabawasan ng kalahati. Sa halagang $0.09 kada milyon input tokens sa API, ito ay tunay na abot-kayang para sa isang kapaki-pakinabang na multimodal na modelo.

Kilalang-kilala sa

256k na context window na may suporta sa imahe at teksto
Maaasahang function calling at structured output generation
Malakas na resulta sa coding sa HumanEval+ at MBPP benchmarks
Halos kalahati ang rate ng infinite-generation kumpara sa 3.1 na bersyon
Open weights, maaaring patakbuhin nang lokal gamit ang vLLM o Transformers

Mag-ingat sa

Inirerekomenda ng Mistral ang mababang temperature (mga 0.15) at system prompt; ang pag-skip sa alinman ay nagpapababa ng kalidad ng output.
Ang mga vision benchmark scores ay halos pareho sa 3.1, kaya ang upgrade ay pangunahing para sa teksto at paggamit ng tool.
Bukas ang weights pero suriin ang lisensya ng Mistral bago gamitin sa komersyal o derivative na paraan.

Pinakamainam para sa

Pag-coding

Pananaw

Mahabang konteksto

Mga ahente at paggamit ng tool

Tumakbo nang lokal

Mga prompt na subukan

Multi-step na plano sa paggamit ng tool

Mayroon kang tatlong tools: search_web(query), read_file(path), at send_email(to, subject, body). Isang user ang nagtanong: 'Hanapin ang pinakabagong Python release notes, ibuod ang mga pangunahing pagbabago, at i-email ito sa dev@example.com.' Isulat ang eksaktong pagkakasunod-sunod ng pagtawag sa mga tool kasama ang mga argumento, at ipaliwanag kung bakit mo ito inayos sa ganoong paraan.

Pagsusuri ng chart na imahe

Nag-attach ako ng bar chart na nagpapakita ng quarterly revenue para sa apat na linya ng produkto sa loob ng dalawang taon. Tukuyin kung aling linya ng produkto ang pinakamabilis ang paglago, alin ang bumaba, at i-flag ang anumang quarter kung saan ang dalawa o higit pang linya ay gumalaw sa magkasalungat na direksyon. Ibigay ang sagot bilang maikling structured report na may isang linya ng konklusyon.

I-refactor gamit ang mahigpit na mga patakaran

I-refactor ang Python function sa ibaba upang: magbalik ng typed dataclass sa halip na plain dict, magtapon ng ValueError na may malinaw na mensahe para sa anumang nawawalang kinakailangang key, at maglaman ng docstring na sumusunod sa Google style. Huwag baguhin ang panlabas na pag-uugali ng function. I-paste ang iyong function dito at isusulat ko ito muli.

Ihambing sa

Mistral Large 4
Modelong API lang
1,048,576 token na konteksto · $0.68/M input, $2.09/M output
Mistral Medium 3.5
Modelong API lang
262,144 token na konteksto · $1.50/M input, $7.50/M output
Mistral Medium 3
Modelong API lang
131,072 token na konteksto · $0.40/M input, $2.00/M output
Mistral Large 3 2512
Modelong API lang
262,144 token na konteksto · $0.50/M input, $1.50/M output

Higit pang mga text model mula sa mistralai

Mga tanong na madalas itanong

Maaari ko bang patakbuhin nang lokal ang Mistral Small 3.2 24B?: Oo, bukas ang weights at available sa Hugging Face sa mistralai/Mistral-Small-3.2-24B-Instruct-2506. Inirerekomenda ng Mistral ang vLLM (bersyon 0.9.1 pataas) bilang preferred na local serving framework, ngunit gumagana rin ang standard Transformers.
Magkano ang gastos at gaano kahaba ang konteksto?: Sa API, ang presyo ay $0.09 kada milyon input tokens at $0.25 kada milyon output tokens, na may 256,000-token na context window.
Ano ang mga pagbabago mula 3.1 hanggang 3.2?: Pinatibay ng update na 3.2 ang pagsunod sa instruksyon, pinatatag ang function-calling template, at binawasan ng halos kalahati ang rate ng walang katapusang o paulit-ulit na generation. May bahagyang pagbuti sa STEM at coding benchmarks; halos hindi nagbago ang vision performance.

Hatol ng Kapitan
Isang maayos at abot-kayang open-weights na workhorse na sulit kung kailangan mo ng maaasahang paggamit ng tool, mahabang konteksto, o lokal na deployment nang walang mataas na presyo ng frontier model.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Perceptron Mk1

TEXT / LLM

Qwen3 235B A22B Instruct 2507

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Mistral Small 3.2 24B ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm mistralai paningin pag-coding mahabang konteksto mga ahente lokal

Mag-browse ayon sa pamilya ng model